在數字化與智能化技術迅猛發(fā)展的背景下，智能手表、智能戒指等穿戴式設備已悄然改變我們的日常生活，尤其在健康管理和運動表現(xiàn)優(yōu)化方面取得了顯著的成就。借助這些智能設備，監(jiān)測運動心率成為提升個人健身和運動性能的關鍵手段。

然而，在復雜多變的運動環(huán)境中，準確測量心率數據對于傳統(tǒng)算法而言具有較大的技術瓶頂。本文將探討如何運用大數據和深度學習技術來開發(fā)創(chuàng)新的穿戴式運動心率算法，以應對其中的技術挑戰(zhàn)，并實現(xiàn)更為精準和可靠的心率監(jiān)測。

01

運動心率算法的測量挑戰(zhàn)

運動心率，即人體在運動時心臟每分鐘收縮和舒張的周期性變化，是科學健身的重要指標。通常來說，因不同的運動強度，心率都會隨之變化，同時也與用戶的體質、年齡、性別等因素密切相關。 盡管穿戴式健康測量技術日益高效、準確和便捷，但在實際應用中，傳統(tǒng)的運動心率檢測算法仍然存在一些問題。特別是在用戶活動狀態(tài)突變或進行劇烈運動時，算法可能面臨狀態(tài)轉換適應性差、難以準確監(jiān)測并剔除運動偽影，以及無法識別用戶個體差異等問題，導致心率監(jiān)測反應遲緩、心率數據失真。

■狀態(tài)轉換問題：一般來說，由于算法的優(yōu)化和數據處理通常需要一定的時間窗口來達到穩(wěn)定狀態(tài)，因此在狀態(tài)轉換的瞬間，心率估計可能會出現(xiàn)延遲或不準確的情況。這種滯后效應不僅影響了實時心率的準確性，還可能誤導用戶進行不適當的運動調整。

圖1：狀態(tài)轉化問題相關示例頻譜圖

■頻譜混疊問題：在高強度運動中，心跳頻率的顯著增加可能導致心率信號可能與身體的運動頻率發(fā)生重疊。傳統(tǒng)的心率監(jiān)測算法往往基于特定的頻率范圍來檢測心率，但當心率信號與運動頻率相近或重疊時，算法難以區(qū)分和處理這兩個信號，從而導致測量精度的下降。

圖2：頻譜重疊問題相關示例頻譜圖

02

基于大數據與深度學習的全場景運動心率算法

當前，在大數據與人工智能技術發(fā)展的推動下，穿戴式健康設備的心率檢測算法實現(xiàn)了飛速發(fā)展。這一算法深度融合了大數據與AI深度學習技術，歷經數據采集、預處理、大數據分析、特征提取、模型構建與訓練、模型評估與優(yōu)化，直至應用實踐等多個環(huán)節(jié)。這一復雜流程充分利用了大數據的豐富信息與AI深度學習的強大能力，顯著提升了心率監(jiān)測的精準度、實時性和個性化水平。

具體而言，該算法包含以下多維度優(yōu)化措施：

■高精準的信號質量評估單元：對輸入信號進行量化評估，確保每次測量都是精準可靠。

■生理模型心率估計單元：利用大數據技術和神經網絡對運動強度、運動狀態(tài)以及頻率與心率進行建模，即使在信號質量較弱時也能提供準確的心率估計。

■高精度場景識別單元：自動觸發(fā)并精確識別當前的運動場景，根據不同的運動狀態(tài)調整心率測量的內置參數，從而改善心率估計的準確性。

■多通道數據融合：支持多路PPG信號的選擇與融合，進一步提升性能。

得益于上述多維度優(yōu)化，心率檢測算法在狀態(tài)轉化及頻譜混疊方面展現(xiàn)出顯著的性能改善。以下是改善結果的示意圖：

圖3. 狀態(tài)轉化結果圖示

圖4. 頻譜重疊結果圖示

經過訓練與優(yōu)化的深度學習模型應用于實際場景中的心率監(jiān)測，包括集成至可穿戴設備以實現(xiàn)實時心率監(jiān)測與預警功能，或部署至云端服務器為用戶提供遠程心率監(jiān)測與分析服務。在應用過程中，還需持續(xù)收集用戶反饋與數據，以便對模型進行不斷的改進與優(yōu)化。

03

總結

在運動心率檢測方面，芯海科技CS1262作為一款穿戴式健康測量領域的成熟芯片，憑借高配置性、高精度測量、超強抗干擾能力、低功耗操作、全膚色適配、高可靠性和易用性等優(yōu)勢，以及提供完整的軟件算法集成方案，顯著提升了客戶的終端方案開發(fā)效率，助力產品快速上市。

芯海科技在健康測量領域始終堅持精益求精，構建了從高精度測量芯片到全場景運動心率算法，再到OKOK云端大數據平臺的一站式整體解決方案。該方案能夠為用戶提供準確、實時的心率測量，全面評估健康狀況，帶來專業(yè)、智能的健康管理體驗。目前，該方案已實現(xiàn)了頭部客戶的旗艦終端產品上實現(xiàn)規(guī)模化量產，為智能可穿戴市場帶來更多可能性。